Many of us here use technology in our day-to-day. And some of us rely on technology to do our jobs. For a while, I thought of machines and the technologies that drive them as perfect tools that could make my work more efficient and more productive.
بسیاری از ما هرروزه از فناوری استفاده میکنیم. و عدهای از ما با تکیه به فناوری کارهای خود را پیش میبریم. برای مدتی، ماشینها و فناوریهایی که آنها را به کار میگیرند را بهعنوان یک ابزار بینقص که کار من را بهتر و موثرتر میکرد در نظر داشتم.
But with the rise of automation across so many different industries, it led me to wonder: If machines are starting to be able to do the work traditionally done by humans, what will become of the human hand? How does our desire for perfection, precision and automation affect our ability to be creative?
اما فراگیری ماشینیشدن در انواع صنعتها، من را به فکر فرو برد: اگر ماشین میتواند کاهایی را انجام دهد که که از گذشته انسان انجام میداده، کار انسان چه میشود؟ چگونه میل به بینقصی، دقت و ماشینیشدن بر توانایی خلاقبودن ما اثر دارد؟
In my work as an artist and researcher, I explore AI and robotics to develop new processes for human creativity. For the past few years, I've made work alongside machines, data and emerging technologies. It's part of a lifelong fascination about the dynamics of individuals and systems and all the messiness that that entails. It's how I'm exploring questions about where AI ends and we begin and where I'm developing processes that investigate potential sensory mixes of the future. I think it's where philosophy and technology intersect.
من بهعنوان یک هنرمند و محقق، رباتیک و هوشمصنوعی را برای توسعه فرایندهای جدید برای خلاقیت انسان بررسی میکنم. در چند سال گذشته، درکنار ماشینها، داده و فناوریهای نوپا کار کردم. این بخشی از یک جذابیت همیشگی دربارهی پویایی افراد و سیستمها است و تمام آشفتگی که شامل میشود. اینگونه سوالات را که هوشمصنوعی کجا تمام شده و ما آغاز میکنیم را کاوش میکنم وجایی که فرایندها را توسعه میدهم که مخلوطهای بالقوه حسی در آینده را بررسی میکند. فکر میکنم این جاست که فلسفه و فناوری جدا میشوند.
Doing this work has taught me a few things. It's taught me how embracing imperfection can actually teach us something about ourselves. It's taught me that exploring art can actually help shape the technology that shapes us. And it's taught me that combining AI and robotics with traditional forms of creativity -- visual arts in my case -- can help us think a little bit more deeply about what is human and what is the machine. And it's led me to the realization that collaboration is the key to creating the space for both as we move forward.
انجام این کار به من چند چیز یاد داد. به من یاد داد که چگونه در آغوش گرفتن نقص میتواند به ما در مورد خودمان بیاموزد. به من یاد داد که کاوش در هنر میتواند در شکل دادن فناوری که ما را شکل دهد کمک کند و به من آموخت که ترکیب هوش مصنوعی و رباتیک با خلاقیتهای سنتی-- در این مورد هنرهای تجسمی-- میتواند به ما در تفکر عمیق تر یاری کند در مورد اینکه انسان چیست و ماشین چیست. و مرا به این باور رهنمود کرد که همکاری کلیدی است برای ساخت فضا برای هردو هرچه بیشتر جلو میرویم.
It all started with a simple experiment with machines, called "Drawing Operations Unit: Generation 1." I call the machine "D.O.U.G." for short. Before I built D.O.U.G, I didn't know anything about building robots. I took some open-source robotic arm designs, I hacked together a system where the robot would match my gestures and follow [them] in real time. The premise was simple: I would lead, and it would follow. I would draw a line, and it would mimic my line.
تمام اینها از یک آزمایش ساده با ماشینها شروع شد، به نام «واحد عملیات ترسیم: نسل ۱» که به طور خلاصه به آن ماشین، داگ(D.O.U.G) میگویم. پیش از ساخت داگ، در مورد ساخت روبات چیزی نمیدانستم. من چند طراحی رایگان بازوی رباتیک را گرفتم، و سیستمی را ساختم که روبات حرکات مرا به صورت بلادرنگ و همزمان دنبال کند. قضیه ساده بود: من حرکت میکنم و روبات دنبال میکند. من یک خط میکشم، و او آن خط را تقلید میکند.
So back in 2015, there we were, drawing for the first time, in front of a small audience in New York City. The process was pretty sparse -- no lights, no sounds, nothing to hide behind. Just my palms sweating and the robot's new servos heating up. (Laughs) Clearly, we were not built for this. But something interesting happened, something I didn't anticipate.
این ما هستیم که در سال ۲۰۱۵ برای اولین بار، در حضور عدهای کم در نیویورک نقاشی میکردیم. فرایند سادهای بود-- نه هیج نوری، نه صدایی، هیچ جیز برای پنهان شدن پشت آن نبود. فقط دستهای من که عرق میکرد و فرمانیارهای جدید روبات که داغ میشد. (خنده) واضح بود که ما آمادهی اینکار نبودیم. اما یک جیز جالب اتفاق افتاد، چیزی که انتظارش را نداشتم.
See, D.O.U.G., in its primitive form, wasn't tracking my line perfectly. While in the simulation that happened onscreen it was pixel-perfect, in physical reality, it was a different story. It would slip and slide and punctuate and falter, and I would be forced to respond. There was nothing pristine about it. And yet, somehow, the mistakes made the work more interesting. The machine was interpreting my line but not perfectly. And I was forced to respond. We were adapting to each other in real time.
داگ، در حالت اولیه خطوط من را به طور کامل دنبال نمیکرد. در شبیه ساز آنچه روی صفحه اتفاق میافتاد از نظر پیکسلی بینقص بود، ولی در واقعیت، داستان فرق میکرد. لیز میخورد و گیر میکرد، و من مجبور میشدم واکنش نشان دهم. هیچ چیزی طبیعی نبود. و با این حال به نحوی اشتباهات کار را جذابتر کردند. ماشین خطهای مرا دنبال میکرد اما نه بینقص. و من مجبور میشدم پاسخ دهم. ما داشتیم باهم همزمان کنار میآمدیم.
And seeing this taught me a few things. It showed me that our mistakes actually made the work more interesting. And I realized that, you know, through the imperfection of the machine, our imperfections became what was beautiful about the interaction. And I was excited, because it led me to the realization that maybe part of the beauty of human and machine systems is their shared inherent fallibility. For the second generation of D.O.U.G., I knew I wanted to explore this idea. But instead of an accident produced by pushing a robotic arm to its limits, I wanted to design a system that would respond to my drawings in ways that I didn't expect.
و دیدن این مساله به من چند چیز یاد داد. به من نشان داد اشتباهات ما در واقع کار را جالبتر میکنند. و به واسطهی این نقص ماشین متوجه شدم، نقصهای ما آن چیز زیبا در تعامل بود. و من هیجان زده شدم، چون به این نتیجه رسیدم که شاید بخشی از زیبایی سیستمهای انسانی و ماشینی خطای ذاتی مشترک آنهاست. برای نسل دوم داگ، من میدانستم که میخواهم این ایده را بررسی کنم. اما به جای اتفاقی که بوسیلهی نگاه داشتن بازوی رباتیک در محدودیت ایجاد شده، من سیستمی را میخواستم که به ترسیمهای من به صورتی پاسخ دهد که انتظار آن را نداشته باشم.
So, I used a visual algorithm to extract visual information from decades of my digital and analog drawings. I trained a neural net on these drawings in order to generate recurring patterns in the work that were then fed through custom software back into the machine. I painstakingly collected as many of my drawings as I could find -- finished works, unfinished experiments and random sketches -- and tagged them for the AI system. And since I'm an artist, I've been making work for over 20 years. Collecting that many drawings took months, it was a whole thing.
پس، از یک الگوریتم بصری استفاده کردم تا اطلاعات بصری را از دهها طرح دیجیتال و آنالوگ خودم خارج کنم. من یک شبکه عصبی را بر اساس این طرحها ساختم تا الگوهای تکرار شوندهای را در کار را تولید کند که به صورت نرم افزار سفارشی به ماشین باز میگشتند. با دردسر زیاد تمام طرحهایی که توانستم بیابم را جمع کردم کارهای تمام شده و ناتمام، یک سری طرحهای بالبداهه- و آنها را برای سیستم هوش مصنوعی نشانه کردم. و از آن جایی که من یک هنرمندم بیش از ۲۰ سال است کار میکنم. جمعآوری آن همه طرح ماهها زمان برد، که واقعا سخت و پیچیده بود.
And here's the thing about training AI systems: it's actually a lot of hard work. A lot of work goes on behind the scenes. But in doing the work, I realized a little bit more about how the architecture of an AI is constructed. And I realized it's not just made of models and classifiers for the neural network. But it's a fundamentally malleable and shapable system, one in which the human hand is always present. It's far from the omnipotent AI we've been told to believe in.
و یک چیز درباره سیستمهای هوش مصنوعی: راستش را بخواهید خیلی سخت است. بسیاری کار هست که پشت پرده انجام میشود. اما در حین کار، یک مقدار بیشتر درباره ساخت معماری هوش مصنوعی متوجه شدم. و فهمیدم که تنها از مدلها و اطلاعات طبقهبندی شده برای شبکه عصبی ساخته نشده. بلکه یک سیستم انعطافپذیر و شکلپذیر است، که همیشه در کارهای انسان مشهود است. این با قدرت زیاد هوش مصنوعی که به ما گفته شده تا باور کنیم بسیار دور است.
So I collected these drawings for the neural net. And we realized something that wasn't previously possible. My robot D.O.U.G. became a real-time interactive reflection of the work I'd done through the course of my life. The data was personal, but the results were powerful. And I got really excited, because I started thinking maybe machines don't need to be just tools, but they can function as nonhuman collaborators. And even more than that, I thought maybe the future of human creativity isn't in what it makes but how it comes together to explore new ways of making.
پس من این طرحها را برای شبکه عصبی جمع کردم. و به چیزی که پیش از این ممکن نبود پی بردیم. ربات من داگ تبدیل به واکنش دهنده تعاملی بلادرنگ از کارهایی که من در طول زندگیام انجام داده بودم شد. دادهها شخصی بود، ولی نتیجه قدرتمند بود. و من بسیار هیجان زده شدم، چون فکر کردم شاید نیازی نباشد که ماشینها فقط ابزار باشند، بلکه میتوانند یک همکار غیرانسانی باشند. حتی شاید بیش از آن، من فکر کردم شاید آینده خلاقیت انسان چیزی نباشد که میسازد بلکه از کشف راههای جدید ساخت پدید میآید.
So if D.O.U.G._1 was the muscle, and D.O.U.G._2 was the brain, then I like to think of D.O.U.G._3 as the family. I knew I wanted to explore this idea of human-nonhuman collaboration at scale. So over the past few months, I worked with my team to develop 20 custom robots that could work with me as a collective. They would work as a group, and together, we would collaborate with all of New York City.
پس اگر داگ_ ۱ یک ماهیچه بود، و داگ_۲ مغز بود، پس من دوست دارم داگ_۳ را به عنوان خانواده در نظر بگیرم. من میخواستم این ایدهی همکاری با غیرانسان را در مقیاس بزرگتر مورد بررسی قرار دهم. در نتیجه در چند ماه گذشته، من به همراه گروهم بیش از ۲۰ ربات را توسعه دادیم به طوری که بتوانند مشترکاَ با من کار کنند آنها گروهی کار میکنند، و باهم، ما میتوانیم با تمام نیویورک همکاری کنیم.
I was really inspired by Stanford researcher Fei-Fei Li, who said, "if we want to teach machines how to think, we need to first teach them how to see." It made me think of the past decade of my life in New York, and how I'd been all watched over by these surveillance cameras around the city. And I thought it would be really interesting if I could use them to teach my robots to see. So with this project, I thought about the gaze of the machine, and I began to think about vision as multidimensional, as views from somewhere. We collected video from publicly available camera feeds on the internet of people walking on the sidewalks, cars and taxis on the road, all kinds of urban movement. We trained a vision algorithm on those feeds based on a technique called "optical flow," to analyze the collective density, direction, dwell and velocity states of urban movement. Our system extracted those states from the feeds as positional data and became pads for my robotic units to draw on. Instead of a collaboration of one-to-one, we made a collaboration of many-to-many. By combining the vision of human and machine in the city, we reimagined what a landscape painting could be.
من بسیار از سخنان محقق دانشگاه استنفورد فی-فی لی تشویق شدم که گفت: «اگر بخواهیم به ماشین نحوه تفکر را بیاموزیم، ابتدا باید به او نحوه دیدن را یاد دهیم.» این مرا به فکر ده سال گذشته زندگیام در نیویورک انداخت، چگونه توسط دوربینهای نظارتی در شهر دیده شده بودم. و فکر کردم که چقدر جذاب میتواند باشد که بوسیلهی آن به رباتها نحوه دیدن را بیاموزم. در نتیجه با این پروژه، من در مورد نگاه ماشین فکر کردم، و شروع به تفکر درباره دید چند بعدی، به عنوان مناظری از مکانی کردم. ما ویدیوها را از دوربینهای عمومیاز اینترنت جمع آوری کردیم مردمی که روی سنگ فرش راه میرفتند، از خودروها و تاکسیها در خیابان، انواع فعالیتهای شهری. ما یک ااگوریتم بصری را از روی این موارد درست کردیم بر اساس تکنیکی به نام «جریان نوری،» برای آنالیز تراکم جمع شده، مسیر، وضعیت جابجایی و ساکن بودن جنبشهای شهری. سیستم این وضعیتها را از دادههای مکانی استخراج کرد و لایهای برای طراحی کردن واحد رباتیک روی آن شد. به جای همکاری تک به تک، ما یک همکاری چند به چند را ساختیم. با ترکیب دید انسان و ماشین در شهر، ما آنچه یک نقاشی منظره میتواند باشد را بازآفرینی کردیم.
Throughout all of my experiments with D.O.U.G., no two performances have ever been the same. And through collaboration, we create something that neither of us could have done alone: we explore the boundaries of our creativity, human and nonhuman working in parallel.
در بین تمام آزمایشاتم با داگ، هیج دو عملکردی یکسان نبودند. و در همکاری، ما جیزی را خلق کردیم که هیچ کدام به تنهایی نمیتوانستیم: ما کرانهای خلاقیت مان را کاوش کردیم، انسان و غیرانسان به موازات هم کار میکنند.
I think this is just the beginning. This year, I've launched Scilicet, my new lab exploring human and interhuman collaboration. We're really interested in the feedback loop between individual, artificial and ecological systems. We're connecting human and machine output to biometrics and other kinds of environmental data. We're inviting anyone who's interested in the future of work, systems and interhuman collaboration to explore with us. We know it's not just technologists that have to do this work and that we all have a role to play.
فکر میکنم این تنها شروع است. امسال، من سیلیست را بنا کردم، آزمایشگاه جدیدی برای کاوش در همکاری انسانی و میان انسانی. ما بسیار علاقه داریم به چرخه واکنش بین انسان، سیستم مصنوعی و زیست محیطی. ما درحال اتصال انسان و خروجی ماشین به بیومتریک و دیگر انواع دادههای محیطی هستیم ما هرکسی که به آینده کار، سیستمها و همکاری میان انسانی علاقه دارد دعوت به کاوش میکنیم. میدانیم این تنها فناوران نیستند که باید این کار را بکنند و هر کدام نقشی داریم.
We believe that by teaching machines how to do the work traditionally done by humans, we can explore and evolve our criteria of what's made possible by the human hand. And part of that journey is embracing the imperfections and recognizing the fallibility of both human and machine, in order to expand the potential of both.
ما بر این باوریم با آموزش ماشینها به انجام کارهایی که پیش از این انسان انجام میداده، میتوانیم کاوش کنیم و معیارها را از آنچه ممکن بود به دست انسان ساخته شود گسترش دهیم. و بخشی از این سفر پذیرش نقض است و شناخت اشتباهات انسان و ماشین، تا پتانسیل هردو را گسترش دهیم.
Today, I'm still in pursuit of finding the beauty in human and nonhuman creativity. In the future, I have no idea what that will look like, but I'm pretty curious to find out.
امروز، من هنوز به دنبال زیبایی در خلاقیت انسان و غیرانسان هستم. هیچ ایدهای ندارم که آینده چگونه خواهد بود، اما خیلی کنجکاوم که بفهمم.
Thank you.
ممنون از شما.
(Applause)
( تشویق حضار)